Abstrait

Exploration de données 2016 : Application des ensembles bruts et de la théorie des preuves de Dempster-Shafer à l'exploration de données spatiales - Iftikhar U Sikder - Cleveland State University

Iftikhar U Sikder

  Cet article présente une nouvelle approche de la classification spatiale et de la prédiction des classes d'occupation du sol en utilisant la théorie des ensembles bruts et des preuves. En particulier, il présente une approche pour caractériser l'incertitude dans le problème de classification supervisée multisource. La structure probante de la classification spatiale est fondée sur les notions de relations d'équivalence d'ensembles bruts. Elle permet d'exprimer des concepts spatiaux en termes d'espace d'approximation dans lequel une classe de choix est souvent approximée par la partition de la région limite. Un avantage clé de cette approche est qu'elle permet d'intégrer le contexte des interactions spatiales de voisinage et la combinaison de multiples preuves spatiales. Le résultat empirique démontre que les performances prédictives du classificateur de modèle améliorent considérablement la précision de la classification. Une comparaison des performances prédictives du modèle avec l'algorithme de réseau neuronal artificiel basé sur la fonction de base radiale montre que les performances prédictives du modèle proposé sont significativement meilleures que celles du modèle de réseau neuronal. Une attention croissante a été accordée au traitement des données spatiales et à la découverte de connaissances (SDMKD). Cet article présente les principes du SDMKD, propose trois nouvelles techniques et fournit leur applicabilité et des exemples. Tout d'abord, la motivation du SDMKD est expliquée. Deuxièmement, l'intention et l'extension du concept SDMKD sont présentées. Troisièmement, trois nouvelles techniques sont proposées au cours de cette section, à savoir la classification d'images basée sur SDMKD qui intègre l'apprentissage inductif spatial à partir de la base de données SIG et la classification bayésienne, le modèle de nuage qui intègre le caractère aléatoire et le flou, le champ de données qui rayonne l'énergie des données observées vers le discours de l'univers. Quatrièmement, l'applicabilité et les exemples sont étudiés sur trois cas. Le premier est la classification par télédétection, le deuxième est le traitement des données de surveillance des glissements de terrain et donc le troisième est le raisonnement incertain. Enfin, l'ensemble du document est conclu et discuté. Les progrès techniques dans l'acquisition et le stockage informatisés des données conduisent à l'expansion de vastes bases de données. Avec l'augmentation et l'accumulation continues, les grandes quantités de données informatisées ont largement dépassé la capacité humaine à interpréter et à utiliser complètement. Ces phénomènes peuvent être plus graves dans la science géospatiale. Afin de comprendre et d'utiliser pleinement ces référentiels de données, quelques techniques ont été essayées, par exemple le système expert, le système de gestion, l'analyse des données spatiales, l'apprentissage automatique et l'IA. En 1989, la découverte de connaissances dans les bases de données a été proposée. En 1995, l'exploration de données fait également son apparition. Comme l'exploration de données et la découverte de connaissances dans les bases de données renvoient pratiquement aux mêmes techniques, on aimerait les regrouper sous le terme d'exploration de données et de découverte de connaissances (DMKD). Comme 80 % des données sont géoréférencées, la nécessité oblige les gens à réfléchir aux caractéristiques spatiales dans le DMKD et à développer davantage une branche de la science géospatiale, à savoir le SDMKD (Li, Cheng, 1994 ; Ester et al., 2000).Les données spatiales sont plus complexes, plus changeantes et plus volumineuses que les ensembles de données d'affaires courants. La dimension spatiale signifie que chaque élément de connaissance comporte une référence spatiale (Haining, 2003) où chaque entité apparaît sur la surface continue, ou où la relation référencée spatiale existe entre deux entités voisines. Les données spatiales incluent non seulement les données de position et les données d'attribut, mais aussi les relations spatiales entre les entités spatiales. De plus, la structure des données spatiales est plus complexe que les tables d'une base de données relationnelle ordinaire. Outre les données tabulaires, il existe des données graphiques vectorielles et raster dans la base de données spatiale. Et les caractéristiques des données graphiques ne sont pas explicitement stockées dans la base de données. En même temps, les SIG contemporains n'ont que des fonctionnalités d'analyse de base, dont les résultats sont explicites. Et c'est sous l'idée de dépendance et sur l'idée des données échantillonnées que la géostatistique estime à des emplacements non échantillonnés ou crée une carte de l'attribut. Parce que les connaissances spatiales découvertes peuvent soutenir et améliorer la prise de décision référencée par les données spatiales, une attention croissante a été accordée à l'étude, au développement et à l'application de SDMKD.  

Biographie

Iftikhar U Sikder est professeur associé au département des sciences de l'information, au département de génie électrique et à l'informatique de l'université d'État de Cleveland, aux États-Unis. Ses recherches portent sur l'informatique logicielle, l'informatique granulaire, l'exploration de données et les systèmes collaboratifs d'aide à la décision. Ses articles sont parus dans le Journal of Risk Analysis, Expert Systems with Applications, l'International Journal of Mobile Communications, l'Information Resources Management Journal, l'International Journal of Management & Decision Making et l'International Journal of Aerospace Survey and Earth Sciences. Il est l'auteur de nombreux chapitres de livres et a présenté des articles dans de nombreuses conférences nationales et internationales.